| Aire attraction 200-700k | ||||||
|---|---|---|---|---|---|---|
| km par personne par an | ||||||
par actif
|
par adulte
|
|||||
| travail | travail | etudes | courses | autres | total | |
| km | ||||||
| très dense | 5 922 |
2 744 |
885 |
1 136 |
2 166 |
6 950 |
| densité intermédiaire | 8 334 |
4 084 |
1 395 |
1 736 |
3 049 |
10 265 |
| peu dense | 9 952 |
5 407 |
1 827 |
1 895 |
4 178 |
13 335 |
| très peu dense | 11 135 |
6 445 |
3 225 |
1 408 |
1 870 |
12 990 |
| total | 7 929 |
3 918 |
1 334 |
1 503 |
2 963 |
9 731 |
| relatif | ||||||
| très dense | 1 |
1 |
1 |
1 |
1 |
1 |
| densité intermédiaire | 1.4 |
1.5 |
1.6 |
1.5 |
1.4 |
1.5 |
| peu dense | 1.7 |
2 |
2.1 |
1.7 |
1.9 |
1.9 |
| très peu dense | 1.9 |
2.3 |
3.6 |
1.3 |
0.89 |
1.9 |
| total | 1.3 |
1.4 |
1.5 |
1.3 |
1.4 |
1.4 |
| Source : EMP 2019, 11.5M adultes (AGE>=18) dans la zone 3k observations dans EMP19 512 répétitions de rééchantillonage entre crochets : intervalle de confiance à 95% |
||||||
4 Déplacements pour le motif commerce
4.1 Proposition de méthode
L’évaluation des flux effectifs de mobilité professionnelle quotidienne repose sur la disponibilité d’une matrice origine destination très riche, disponible pour chaque année de recensement au niveau intercommunal, décrivant donc les flux de mobilité professionnelle quotidienne usuelle1 pour toute la France. Cette information est également disponible pour les mobilités scolaires. En revanche, pour les autres motifs de déplacement, on ne dispose pas d’un équivalent.
1 Mais sans information de fréquences.
En particulier, les déplacements effectués pour un motif d’achat sont plus complexes à appréhender, en raison de la diversité des type d’achats et de la dispersion des lieux de commerces. Les destinations visées par chaque résident sont ainsi bien plus nombreuses et diversifiés pour ce motif que pour le motif étude ou travail. Or ce motif « courses » est une composante non négligeable des mobilités quotidiennes. Le tableau 4.1 donne les valeurs agrégées des distances parcourues en voiture pour un adulte en France hors Ile de France à partir de l’enquête mobilité des personnes certifiée CEREMA de 2019. Le motif « courses » représente 15% des kilomètres parcourus en voiture.
Nous proposons une méthode qui exploite plusieurs sources et s’efforce de les rapprocher :
Tout d’abord, nous construisons un indicateur de proximité des commerces pour chaque carreau de résidence. Cet indicateur est construit en comptant dans le voisinage de chacun de ces carreaux le nombre de commerces, leur diversité et leur taille. La définition du voisinage consiste ici en un seuil de temps de trajets, que nous avons fixé pour l’instant à 15 minutes de marche pour coller à l’idée de ville du quart d’heure. Mais d’autres seuils peuvent être retenus sans difficulté technique. Nous calculons ensuite un indicateur synthétisant la quantité, la diversité et la taille des commerces, de manière à associer à chaque carreau un nombre qui résume la proximité des commerces. Les aménités (ici principalement des commerces ou des services aux ménages) sont connues à partir des fichiers fonciers et des codes utilisateurs NAF qui y sont renseignés. Ceci permet de décliner l’indicateur de proximité selon 4 grands types d’aménités (commerces alimentaires, commerces non alimentaires, sorties, santé humaine). Cet indicateur de proximité synthétise beaucoup d’informations géographiques, mais il n’est pas interprétable directement.
A partir de l’Enquête Certifiée CEREMA (EMC2), on peut identifier les comportements des ménages et les relier à l’indicateur de proximité. En effet l’EMC2 délivre une information de localisation assez fine, permettant d’identifier les motifs et de repérer les caractéristiques socioéconomiques des individus. L’information de localisation correspond peu ou prou à la définition de l’IRIS graphique 4.1. Cette information ne permet toutefois pas de construire une matrice origine-destination parce que l’EMC2 repose sur un échantillon insuffisamment représentatif à la maille de l’IRIS. Pour construire une matrice origine-destination détaillée au niveau le plus fin, il faudrait un échantillon bien plus important. Il est cependant tout à fait possible d’évaluer l’effet moyen de l’indicateur de proximité dans chaque zone de résidence de l’EMC2 sur les déplacements moyen au motif « course ».
On peut alors estimer des modèles économétriques reliant les distances parcourues et les fréquences aux différentes informations sur l’individu et sur la géographie de son lieu de résidence. Ce modèle peut alors être utilisé pour projeter ces comportements augmentés de la géographie au carreau 200m.
Le périmètre de l’EMC2 est plus large que celui de l’EPCI AMP. Nous limitons notre analyse de l’accès aux zones commerciales au périmètre de l’EPCI (AMP) et donc « oublions » les observations de l’EMC2 qui sont en dehors.
4.2 Construction d’un indicateur de proximité des aménités
4.2.1 Sources de données
La première étape est d’identifier les opportunités. Une des difficultés est la versatilité des motifs commerciaux associés à la grande quantité de commerces disponibles sur le territoire. Nous proposons ici d’agréger les surfaces commerciales pour chaque carreau en distinguant 4 grandes catégories de commerce. Ces catégories reprennent, avec réinterprétation, le travail réalisé par l’AUPA2.
Notre source principale est celle des fichiers fonciers. Elle donne une information fine sur les secteurs utilisateur du local (code NAF à 5 caractères pour l’entreprise utilisatrice) dans lequel on peut distinguer un commerce de chaussure d’une pharmacie, une supérette d’une grande surface alimentaire. Ce sont des couches agrégées de commerces pour des types de ménages identifiés. Elle permet d’associer au commerce une surface (variable sprincp des fichiers fonciers).
2 Merci à Théo Shayer, Ludovic Verre et Luc Garnier pour nous avoir partagé leur méthodologie.
Nous classons les commerces en 4 catégories : alimentaire, commerces (non alimentaires), sorties, santé humaine.
La classification est indiquée dans le tableau A.1. Par rapport aux choix de l’AUPA, nous avons considéré que les pharmacies étaient des commerces « ordinaires » et limité la notion de santé humaine aux cabinets médicaux (généralistes, spécialistes ou dentistes) en excluant les hôpitaux. Comme nous tenons compte de la surface, les hôpîtaux auraient dominé cette catégorie sans que cela ait vraiment du sens. Le but recherché est de quantifier l’usage habituel de la santé et donc la proximité de services de santé.
Les fichiers fonciers, bien que construit pour la perception d’une taxe comportent parfois des informations curieuses, pouvant laisser croire à un bruit. Par exemple, certaines surfaces commerciales sont très importantes (il existe des supérettes de plus de 100 000 m²) ou la notion de surface principale est parfois ambigue (comme le montre celle qui est retenue pour les campings). Nous utilisons donc avec prudence cette donnée en la limitant suivant certaines catégories. Ainsi, le tableau A.2 donne les intervalles dans lesquels sont contraintes les surfaces principales, en accord avec la définition des intitulés des surfaces commerciales.
- Elle contient des informations également sur les trafics illégaux (stupéfiants), ce qui peut être intéressant à exploiter.
Nous tenons compte enfin de la diversité des commerces à partir de l’information des fichiers fonciers. Par exemple, pour la catégorie fonctionnelle commerce nous agrégeons les surfaces commerciales, en les multipliant par un indice de diversité qui est minimum lorsqu’une seule espèce de commerce est présente et maximal lorsque toutes les espèces sont représentées. Ce type d’indicateur est souvent utilisé en écologie. Il permet donc de donner plus de poids à un bouquet diversifié de commerce totalisant 1 000 m² plutôt qu’à un unique commerce (un garage disons) de 1 000 m². Ceci est détaillé dans la section suivante.
4.2.2 Formalisation
Formellement, l’indicateur de proximité des aménités \mathcal{P} est construit comme :
\mathcal{P}_c = \left( \sum_{j \in V_{15 \space min}(i), j\in J} {s_j^\alpha \times w_J^{1-\alpha}}\right)^\beta \times \sum_{j \in V_{15 \space min}(i), j \in J} {\frac {1}{w_J \times p_J^2}}
La première partie de l’indicateur \mathcal{P}_c est la somme des surfaces dans le vosinage de chaque carreau de résidents à moins de 15 minutes (en marchant ou en transport en commun). La seconde partie de l’indicateur permet de prendre en compte la diversité des commerces accessibles dans le voisinage. Le terme p_j est ainsi la part des commerces de la catégorie J (par exemple, parmi les commerces alimentaires, une boucherie, une poissonerie, une épicerie sont autant de catégories qui ont un code NAF à 5 caractères spécifiques). Le paramètre w_J accorde aux catégories un poids en diversité, permettant de compter les grandes surfaces alimentaires comme contribuant plus à la diversité qu’une surface commerciale spécialisée.
Le rôle des paramètres \alpha et \beta est de moduler l’expression \mathcal{P}_c. Plus \alpha est proche de 0, plus ce sont les commerces en tant qu’entité qui sont comptabilisés, indépendament de leur taille. Pour \alpha égal à 1, ce sont les m² de commerce qui comptent, une grande surface de 1 000 m² valant 100 fois plus qu’une échoppe de 10 m². Le paramètre \beta limite l’effet multiplicatif de la surface.
A ce stade, nous n’avons pas beaucoup d’éléments pour choisir les divers paramètres (w_i, \alpha, \beta). Nous avons fixé des valeurs a priori, afin de pouvoir étudier des variantes et évaluer la différence d’analyse produite. Nous verrons que l’indicateur est utilisé non pas en tant que tel, mais principalement par quantile, ce qui le rend insensible à des transformations monotones. L’heuristique consiste à choisir \alpha et w_i de façon à ce que les surfaces ne comptent pas trop. Si on considère un groupe de 6 commerces spécialisés de 100m², on souhaite que ces commerces soient comparables à un supermarché de 2500m². En choisissant w_i = 6 pour le supermarché et \alpha = 0.25 la surface ajustée vaut 3,4 pour les 6 commerces et 4,2 pour le supermarché. Pour des commerces spécialisés de 50m², la surface ajustée serait de 3,1 et de 4,7 pour un hypermarché de 5000 m². Ce choix donne donc une importance modérée aux surfaces.
Le paramètre \beta est choisi de façon à égaliser les rapports inter-quantiles de la surface ajustée. Ceci conduit à donner un poids égal à la diversité et à la surface ajustée pour le calcul de la surface équivalente. En changeant le paramètre \beta on peut modifier ce ratio.
Pour nos 4 grands types de commerces, le tableau suivant résume le nombre d’espèce et quelques statistiques essentielles :
| Espèces pondérés | Espèces brutes | Nbr d'unités |
surface
|
|||
|---|---|---|---|---|---|---|
| 1er décile | médiane | 10e décile | ||||
| Alimentaire | 12 | 7 | 7502 | 25,0 | 79,0 | 855,9 |
| Commerces non alimentaires | 42 | 36 | 26520 | 21,0 | 55,0 | 280,0 |
| Santé humaine | 44 | 44 | 6080 | 17,0 | 63,0 | 167,0 |
| Bars, restaurants, cinémas | 5 | 5 | 5404 | 21,0 | 60,0 | 200,0 |
surface ajustée
|
diversité
|
surface équivalente
|
|||||||
|---|---|---|---|---|---|---|---|---|---|
| 1er décile | médiane | 10e décile | 1er décile | médiane | 10e décile | 1er décile | médiane | 10e décile | |
| Alimentaire | 3,8 | 9,5 | 27,0 | 3,5 | 7,7 | 10,7 | 16,3 | 72,8 | 274,9 |
| Commerces non alimentaires | 3,8 | 9,6 | 30,2 | 3,5 | 8,1 | 11,9 | 13,7 | 76,1 | 347,6 |
| Santé humaine | 2,6 | 7,8 | 23,3 | 1,8 | 4,4 | 6,9 | 5,0 | 35,8 | 144,7 |
| Bars, restaurants, cinémas | 1,9 | 3,9 | 12,0 | 1,0 | 2,1 | 2,8 | 1,9 | 8,6 | 31,0 |
4.2.3 Indicateur de proximité des aménités pour AMP
L’application de la méthode décrite au dessus à partir des données décrites dans la première section permet de calculer l’indicateur de proximité pour les 4 types d’aménités. Sur les cartes, la coloration est établie après une découpage en quintile, pondéré par la population. Ainsi, la couleur bleu foncée est attribuée aux carreaux dasn lesquels résident les 20% de la population qui a le plus haut niveau de proximité. Comme ce découpage est identique pour les 4 types d’aménité, il n’est pas possible de les comparer entre elles. La graphique 4.3 repose sur la même notion (les quantiles), sans normaliser l’indicateur de proximité.
On observe que de façon commune aux quatre aménités la proximité élevée est une caractéristique des centre villes. C’est vrai pour les arrondissements centraux de Marseille comme pour Aix en Provence, la Ciotat ou Salon de Provence. Ces hauts niveaux de proximité sont liés à la fois à une grande diversité des commerces, un grand nombre de commerce ou de services ainsi qu’une surface cumulée importante. Le centre commercial « Plan de Campagne » appraît également, bien que la population aux alentours soit plutôt faible. Une part importante du territoire habité est associée à une proximité très faible (premier quintile pondéré de proximité).
D’une aménité à l’autre, le schéma global est conservé. Les aménités « sortie » (bars, restaurants et cinémas) ou « santé humaine » sont plus concentrées spatialement, ce qui est amplifié par le graphique 4.4. La ressemblance n’est toutefois qu’apparente puisque le découpage en quintile écrase les différences. Le lien entre les indicateurs de proxiumité pour les différentes aménités est détaillé en annexe (graphique A.1) ainsi que le lien avec la densité (graphique A.2).




